网络爬虫06.24

最新推荐文章于 2024-07-10 21:29:41 发布

SWZHENG97

最新推荐文章于 2024-07-10 21:29:41 发布

阅读量126

点赞数

分类专栏：笔记

本文链接：https://blog.csdn.net/swzheng97/article/details/118293590

版权

笔记专栏收录该内容

65 篇文章 1 订阅

订阅专栏

昨日内容回顾

京东多页及函数封装

1.多页思路
	研究url规律
    直接查找下一页链接
2.代码封装
	什么是函数 函数的作用 为什么封装

openpyxl模块

pandas模块
	内部封装了openpyxl
    	pd.read_excel()
        pd.read_csv()
openpyxl模块
	WorkBook
    load_workbook
xlrd与xlwt模块
	百度查找相应文档
 
excel版本问题
	.xls
    .xlsx

1.创建excel文件及工作簿
2.写入数据
3.读取数据

利用openpyxl保存商品数据

今日内容概要

商品数据爬取与存储
电影数据爬取与存储
贴吧图片爬取与存储
补充防爬措施及解决策略
大型网络爬虫实战案例(防爬措施很复杂解决措施也复杂)

今日内容详细

商品数据爬取与存储

from selenium import webdriver
import time
from selenium.webdriver.common.keys import Keys
from openpyxl import Workbook

# excel文件相关
wb = Workbook()
w1 = wb.create_sheet('商品数据',0)
# 先定义表头
w1.append(['序号','商品链接','商品图片','商品简介','商品价格','商品销量'])
count = 1


def get_goods(bro):
    # 先查找所有的li标签
    li_list = bro.find_elements_by_class_name('gl-item')
    """
    注意 bro.find_element有加不加s之分
        不加s表示查找单个元素
        加s表示查找所有元素
    """
    global count  # 引用全部变量count
    for li in li_list:
        img = li.find_element_by_css_selector('.p-img a img')
        '''图片的路径有时候在src中有时候在data-lazy-img中'''
        img_src = img.get_attribute('src')
        if not img_src:
            img_src = 'https:' + img.get_attribute('data-lazy-img')
         # 商品图片
        link = li.find_element_by_css_selector('.p-img a').get_attribute('href')
		# 商品链接
        price = li.find_element_by_css_selector('.p-price i').text
		# 商品价格
        name = li.find_element_by_css_selector('.p-name em').text.replace('\n', '')
		# 商品名称
        comment = li.find_element_by_css_selector('.p-commit a').text
        # 商品简介
        w1.append([count,link,img_src,name,price,comment])
        count += 1

    # for结束表示一页数据爬取结束 可以开始下一页了
    next_page = bro.find_element_by_partial_link_text('下一页')
    time.sleep(1)
    # 点击下一页
    next_page.click()
    # 再次爬取数据
    time.sleep(1)
    get_goods(bro)


# 控制谷歌浏览器
bro=webdriver.Chrome()
# 明确目标网站和请求方式
bro.get("http://www.jd.com")
bro.implicitly_wait(10)
# 获取用户想要搜索的商品名称
targetGood = input('请输入您想要爬取的商品名称>>>:').strip()
# targetGood = '显卡'  # 先固定写法  方便测试
# 查找商品搜索款 填写内容
btnEle = bro.find_element_by_id('key')
btnEle.send_keys(targetGood)
btnEle.send_keys(Keys.ENTER)

# 进入了另一个页面
try:
    get_goods(bro)
except Exception as e:
    print("结束", e)
finally:  # try检测的代码运行完毕之后无论是否有报错 都会执行finally代码块
    wb.save('%s数据.xlsx'%targetGood)
    bro.close()

电影数据爬取与存储

当不是很熟练的情况下爬取数据最后遵循以下思路
	1.先研究一页数据的爬取
    2.再考虑多页数据的爬取
    	https://movie.douban.com/top250
        https://movie.douban.com/top250?start=25&filter=
        https://movie.douban.com/top250?start=50&filter=
        https://movie.douban.com/top250?start=75&filter=
    3.最后研究保存策略
在爬取模块的选择方面 先考虑使用最基本的requests 简单的网站基本都够用
"""
豆瓣防爬
	1.需要校验User-Agent参数
	2.还会限制ip访问次数
		time.sleep()
"""

import requests
from bs4 import BeautifulSoup
import time
from openpyxl import Workbook
import re

# 存入文件函数
def get_file():
    wb = Workbook()
    w1 = wb.create_sheet('电影排行数据',0)
    # 添加表头
    w1.append(['电影名称','导演','主演','年代','地区','类型','电影评分','电影评价','电影标语'])
    return wb,w1

# 获取数据函数
def get_data(base_url,w1):
    # 直接朝地址发请求
    res = requests.get(base_url,
                       # 返回状态码418说明请求不合法  需要研究防爬措施  先加User-Agent参数
                       headers={
                           "User-Agent": "User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.114 Safari/537.36Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.114 Safari/537.36"
                       }
                       )
    # 筛选数据
    soup = BeautifulSoup(res.text, 'lxml')
    # 获取包裹电影信息的li标签列表
    li_list = soup.select('ol.grid_view li')
    # for循环获取数据
    for li in li_list:
        title = li.select('.hd a>.title')[0].text

        desc = li.select('.bd p')[0].text.strip()

        rating_num = li.select('.star>.rating_num')[0].text

        comment = li.select('.star span')[-1].text

        quote = li.select('.quote span')[0].text if li.select('.quote span') else '暂无标语'
        print("""
            电影名称:%s
            电影简介:%s
            电影评分:%s
            电影评价:%s
            电影标语:%s
            """ % (title, desc, rating_num, comment, quote))
        
"""数据筛选思路如下
import re
res = '导演: 王家卫 Kar Wai Wong   主演: 张国荣 Leslie Cheung / 梁朝伟 Tony Leu...
                            1997 / 中国香港 日本 韩国 / 剧情 爱情 同性'
# 思路一:使用split与strip组合使用
# print(res.split(':')[-1].split('...'))
# 思路二:使用正则
print(re.findall('导演: (.*)主演',res)[0].strip())
print(re.findall(r'主演: (.*)...',res)[0].strip())
print(re.findall('\d+',res)[0].strip())
print(re.findall(r'/(.*?)/',res)[0].strip())
print(re.findall('/.*?/(.*)',res)[0].strip())
"""

# 换页函数
def get_page(w1):
    for i in range(0,250,25):
        base_url = "https://movie.douban.com/top250?start=%s&filter="%i
        get_data(base_url,w1)
        time.sleep(1)
# 启动函数
def get_start():
    wb,w1 = get_file()
    get_page(w1)
    wb.save('电影Top250.xlsx')


get_start()

爬取贴吧图片数据

"""
知识储备
	os模块
        import os
        # 判断当前文件路径是否存在
        print(os.path.exists(r'D:\数据分析五期\pa_day08'))
        # 创建文件夹
        os.mkdir('代码创建的')
"""

用户指定任意的贴吧名称 我们抓取内部所有的图片数据并保存到本地
研究地址
	https://tieba.baidu.com/f?kw=%E4%B8%83%E9%BE%99%E7%8F%A0
    https://tieba.baidu.com/f?kw=%E6%A0%A1%E8%8A%B1
    https://tieba.baidu.com/f?kw=python
不同的贴吧仅仅是后缀不一样通过kw控制具体贴吧名称
	requests.get(url,params={'kw':'七龙珠'})
针对分页数据也可以让用户自定义爬取页码
	输入起始页  输入终止页
拼接url即可


import requests
import os
from lxml import etree


base_url = 'https://tieba.baidu.com/f'
# 获取用户需要爬取的贴吧名称
# targetUrl = input('请输入您需要爬取的贴吧名称>>>:').strip()
# 为了测试方便我们先写死
targetUrl = '七龙珠'
if not os.path.exists(targetUrl):
    os.mkdir(targetUrl)
# 切换到校花路径下
os.chdir(targetUrl)


proxies={
    'http':'112.123.219.168:9999',
    'http':'117.29.242.174:8080',
    'http':'171.208.21.145:8080',
    'http':'112.194.90.29:8888'
}
# 构造完成的贴吧路径发送请求
res = requests.get(base_url,params={'kw':targetUrl},
                    proxies=proxies,
headers={
                           "User-Agent": "User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.114 Safari/537.36Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.114 Safari/537.36"
                       }
                   )
res.encoding = 'utf8'
print(res.text)
xp = etree.HTML(res.text)

# 筛选所有的贴子链接
link_list = xp.xpath("//a[@class='j_th_tit ']/@href")
# for循环拼接完整路径
for i in link_list:
    full_url = 'https://tieba.baidu.com' + i
    # 二次请求
    print(full_url)
    res1 = requests.get(full_url,proxies=proxies,headers={
                           "User-Agent": "User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.114 Safari/537.36Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.114 Safari/537.36"
                       })
    xp1 = etree.HTML(res1.text)
    # 查找页面所有的img标签的src属性
    src_list = xp1.xpath("//img[@class='BDE_Image']/@src")
    # for循环访问图片数据并写入文件中
    for src in src_list:
        res2 = requests.get(src,proxies=proxies,headers={
                           "User-Agent": "User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.114 Safari/537.36Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.114 Safari/537.36"
                       })
        # 拼接图片文件的完整路径
        # 利用文件操作w模式自动创建并写二进制数据
        # print(src)
        print(src[-10:])
        # with open(src[-10:0],'wb') as f:
        #     f.write(res2.content)
"""
ip代理池
"""

作业

1.独立完成豆瓣数据爬取 并尝试着从详情页中爬取更多的数据
	基本要求是针对电影简介做数据拆分
   	拔高爬取详情页更多数据(尝试即可 注意访问频率)
2.独立完成贴吧数据爬取 参考课堂代码及tests文件代码
	不要做任何的封装先实现功能
    之后考虑封装
    再考虑分页(贴吧主页面分页)